人脸识别中特征提取方法的研究

人脸识别的特征提取方法

浙江大学电气学院

博士学位论文

人脸识别中特征提取方法的研究

姓名：赵武锋

申请学位级别：博士

专业：电路与系统

指导教师：孙玲玲;严晓浪

20090612

人脸识别的特征提取方法

摘要

特征提取是人脸识别的关键技术，其优劣直接影响到整个人脸识别系统的性能。其中，基于Ｆｉｓｈｅｒ准则的线性鉴别分析（ＬＤＡ）是特征提取中最为经典和广泛使用的一种方法，它以模式数据的可分性为目标，寻找最佳鉴别矢量使类内离散度最小的同时，类间离散度达到最大。但作为一种基于统计的代数特征提取技术，传统ＬＤＡ在小样本情况下会碰到２个实际问题：一是分布矩阵“奇异性”问题；二是分布矩阵估计误差问题。

最近的ＦＲＶＴ２００６测试结果表明：在受控和配合的观测条件下，目前最好算法的识别率相比ＦＲＶＴ２００２有了一个数量级以上的提高，已超过人类本身的识别能力。但是，在非控制和非配合条件下识别率却将近有一个数量级的下降。这些影响识别性能的非控制因素很多如：光照变化、姿态、表情等等，其中光照变化的影响尤其明显，如何提取对这些因素鲁棒的特征仍是一个极具挑战性的问题。

本文的工作紧紧围绕克服上述３个问题而展开，并提出了有效的解决方案，主要贡献总结如下：

１．综述了各种基于ＬＩ）Ａ的扩展方法

在小样本情况下，传统ＬＤＡ由于类内离散矩阵．％的奇异性而无法计算。近年来提出了许多ＬＤＡ扩展方法，如克服奇异性问题的方法：Ｆｉｓｈｅｒｆａｃｅｓ、直接ＬＤＡ、零空间ＬＤＡ、正交ＬＤＡ等，和降低估计误差问题影响的方法：扰动ＬＤＡ法、双空间ＬＤＡ、三空间正则法等。本文详细介绍了这些扩展方法，并作了一定的分析。

２．理论分析了各种克服奇异性问题的ＬＤＡ扩展方法之闻的关系和特性

从代数理论层面分析了各种ＬＤＡ扩展方法之间的关系和特性，并得出结论如下：ＧＳＶＤ．ＬＤＡ等价于ＵＬＤＡ；ＤＬＤＡ存在理论缺陷，其几乎没利用民，零空间中的信息，若保留全部的鉴别矢量，ＤＬＤＡ将退化为类问离散矩阵的保留所有非零主成分的ＰＣＡ，而没利用．％，在类内数据变化大于类问变化的应用场合（如ｌｌ

人脸识别的特征提取方法

人脸识别），从分类意义上讲ＤＬＤＡ并非最优选择的方法。

３．研究了降低分布矩阵估计误差影响的方法

一些正则方法从类内离散矩阵．％的特征谱角度出发认为分布矩阵估计误差引起的扰动对小和零特征值区域影响很大，那么，对其进行正则处理可降低分布矩阵估计误差影响，提高算法的稳定性。基于此思想，所研究算法采用了广义Ｆｉｓｈｅｒ准则函数，以总体离散矩阵Ｓ为主要处理对象，将其非零特征空间进行分割并作加权处理，保留了Ｓｔ的小特征值部分中的鉴别信息，降低了分布矩阵估计误差的影响，达到了提高算法稳定性的目的。在ＰＩＥ人脸库上的实验比较结果也表明其具有兼顾识别精度和计算代价的优点。

４．提出了基于多尺度梯度角和ＬＤＡ的鲁棒特征提取新方法

正如在ＦＥＲＥＴ测试和ＦＲＶＴ测试的结果所反映的，光照条件、姿态、表情、噪声等因素对识别性能的影响很大。从频域的角度讲，光照变化一般反映在低频部分，而表情、噪声等因素主要分布在高频部分，本文所提出的多尺度梯度角特征同时具备了小波的局部性、多分辨率特性和梯度角的抑制光照影响优点。在实现上，利用了反对称双正交小波的导数特性，可方便地计算多尺度梯度角。并且与ＬＤＡ结合，使算法所提取的特征对各种因素的影响更鲁棒、更稳定。在人脸库Ｙａｌｅ和ＹａｌｅＢ上的对比实验结果表明：该方法不但可以有效抑制光照、表情、噪声等因素的影响，而且识别精度也比其它光照不变特征方法有了较大提高。关键词：自动人脸识别，特征提取，线性鉴别分析，小样本，小波变换，反对称双正交小波，多尺度梯度角ＩＩｌ

人脸识别的特征提取方法

渐江大学博士学位论文

Ａｂｓｔｒａｃｔ

Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓａｋｅｙｔｅｃｈｎｉｑｕｅｆｏｒｔｈｅｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ，ｗｈｉｃｈｄｉｒｅｃｔｌｙｉｍｐａｃｔｏｎｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｅｎｔｉｒｅｓｙｓｔｅｍ．Ａｍｏｎｇｔｈｅｍ，ｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔ

ｏｎａｎａｌｙｓｉｓ（ＬＤＡ）ｂａｓｅｄＦｉｓｈｅｒｃｒｉｔｅｒｉａｉｓｔｈｅｍｏｓｔｃｌａｓｓｉｃ

ａｓａｎｄｗｉｄｅｌｙａｌｌｕｓｅｄｍｅｔｈｏｄ，ｏｐｔｉｍａｌｌｉｎｅａｒ

ｓｃａｔｔｅｒｗｈｉｃｈｔａｋｅｓｔｈｅｓｅｐａｒａｂｉｌｉｔｙｏｆｔｈｅｐａｔｔｅｒｎｓｉｔｓｇｏａｌ，ａｎｄｓｅｅｋｓｔｒａｎｓｆｏｒｍａｔｉｏｎｂｙｍａｘｉｍｉｚｉｎｇｔｈｅｒａｔｉｏｏｆｔｈｅｂｅｔｗｅｅｎ ｃｌａｓｓａｎｄｗｉｔｈｉｎ ｃｌａｓｓ

ａｌｇｅｂｒａｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍａｔｒｉｃｅｓ．Ｈｏｗｅｖｅｒ，ａｓａｎｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｔｅｃｈｎｉｑｕｅｓ，ｔｈｅ

ｔｒａｄｉｔｉｏｎａｌＬＤＡｉｎｔｈｅｃａｓｅｏｆｓｍａｌｌｓａｍｐｌｅｓｉｚｅｗｉｌｌｅｎｃｏｕｎｔｅｒｔｗｏｐｒａｃｔｉｃａｌｐｒｏｂｌｅｍｓ：ｏｎｅａｒｉｓｅｓｆｒｏｍｔｈｅ”ｓｉｎｇｕｌａｒｉｔｙ”ｏｆｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｍａｔｒｉｘ；ｔｈｅｏｔｈｅｒｉｓｄｕｅｔｏｔｈｅｅｓｔｉｍａｔｉｏｎ

Ｔｈｅｅｒｒｏｒｏｆｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｍａｔｒｉｘ．ｒｅｃｅｎｔＦＲＶＴ２００６ｔｅｓｔｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｎ

ａｎｄｃｏｏｐｅｒａｔｉｖｅｃｏｎｄｉｔｉｏｎｓ

ａｃｃｕｒａｔｅｓｔｉｌｌｆｒｏｎｔａｌｂｙｉｍａｇｅｓｔａｋｅｎｕｎｄｅｒｃｏｎｔｒｏｌｌｅｄｈａｓｉｍｐｒｏｖｅｄａｎｏｒｄｅｒｏｆｍａｇｎｉｔｕｄｅｓｉｎｃｅｔｈｅＦＲｖＴ２００２，ａｎｄｗｅｒｅｍｏｒｅｔｈａｎｈｕｍａｎｓ．

Ｈｏｗｅｖｅｒ，ｕｎｄｅｒｎｏｎ—ｃｏｎｔｒｏｌｌｅｄａｎｄｎｏｎ ｃｏｏｐｅｒａｔｉｖｅｃｏｎｄｉｔｉｏｎｓｔｈｅｒｅｉｓａｌｍｏｓｔａｎｏｒｄｅｒｏｆｍａｇｎｉｔｕｄｅｏｆｔｈｅｄｅｃｌｉｎｅ．Ｔｈｅｒｅａｒｅａｌｏｔｏｆｎｏｎ—ｃｏｎｔｒｏｌｌｅｄｆａｃｔｏｒｓ

ｖａｒｉａｔｉｏｎ，ａｎｄＳＯｓｕｃｈａｓｃｈａｎｇｅｉｎｔｈｅｉｌｌｕｍｉｎａｔｉｏｎ，ｐｏｓｔｖａｒｉａｔｉｏｎ，ｅｘｐｒｅｓｓｉｏｎｏｎ，ｉｎｗｈｉｃｈ

ｅｘｔｒａｃｔｔｈｅｅｆｆｅｃｔｓｏｆｉｌｌｕｍｉｎａｔｉｏｎｖａｒｉａｔｉｏｎｉｓｐａｒｔｉｃｕｌａｒｌｙｓｅｒｉｏｕｓ．Ｓｏ，ｈｏｗｔｏ

ｒｏｂｕｓｔｆｅａｔｕｒｅｓａｇａｉｎｓｔｔｈｅｓｅｆａｃｔｏｒｓｉｓｓｔｉｌｌ

Ｉｎｔｈｉｓｔｈｅｓｉｓ，ｗｅｃｌｏｓｅｌｙｆｏｃｕｓｅｄ

３ｏｎａｔｈｅｃｈａｌｌｅｎｇｉｎｇｗｏｒｋｔｏｐｒｏｂｌｅｍ．ｔｈｅｏｕｒｏｖｅｒｃｏｍｅａｂｏｖｅ－ｍｅｎｔｉｏｎｅｄｃｏｎｔｒｉｂｕｔｉｏｎｓａｒｅｐｒｏｂｌｅｍｓ，ａｎｄｔｏｐｒｅｓｅｎｔａｎｅｆｆｅｃｔｉｖｅｓｏｌｕｔｉｏｎ．Ａｎｄｔｈｅｍａｉｎ

ｓｕｍ …… 此处隐藏：10548字，全部文档内容请下载后查看。喜欢就下载吧 ……